Що таке OpenLedger та яку проблему він вирішує

@Openledger - це AI-блокчейн платформа, створена для забезпечення прозорості, атрибуції та економічних стимулів для всього AI стеку — особливо для постачальників даних, розробників моделей та розробників агентів. Постійною критикою існуючого AI світу є: Дані учасники (особи або менші організації)часто не отримують визнання або винагороду, коли їхні дані використовуються для навчання моделі або висновків. Моделі та агенти стають цінними, але більшість економічної винагороди йде великим централізованим організаціям, а не до всіх, хто зробив внесок. Немає чіткої видимості того, як дані впливають на виходи моделі ( які частини даних дійсно спровокували які відповіді ). OpenLedger має на меті вирішити ці ці проблеми, розблокувавши ліквідність у даних, моделях та агентах. У цьому контексті «ліквідність» означає надання можливості їх торгівлі або монетизації в чесний, вимірювальний та прозорий спосіб — щоб учасники отримували дохід з часом, а не лише один раз.

Ключові механізми, за допомогою яких OpenLedger розблокує ліквідність & монетизацію Ось основні інструменти та системи, які OpenLedger використовує для забезпечення монетизації та справедливості: Доказ атрибуції (PoA) Кожного разу, коли модель генерує вихід (, інференцію ), механізм PoA OpenLedger відслідковує, які точки даних ( з яких наборів даних ) вплинули на цей вихід. Для менших моделей вплив може бути обчислений за допомогою методів, основаних на градієнтах; для більших моделей або великих мовних моделей можуть бути використані такі методи, як атрибуція токенів або масиви суфіксів. Це означає, що якщо ваш набір даних суттєво вплинув на вихід моделі, ви отримуєте винагороду у вигляді токенів. Це не тільки завдяки репутації, а й завдяки вимірюваному використанню. Дані розглядаються як актив економіки на ланцюзі першого класу. DataNets / Набори даних як активи OpenLedger представляє “DataNets” — структуровані, специфічні для домену набори даних, внесені кількома користувачами. Ці DataNets реєструються в ланцюзі з метаданими та походженням. Вони слугують як для навчання моделей, так і для задач інференції.

Оскільки використання та вплив кожного DataNet відстежуються, внески кожного учасника (, наприклад, когось, хто подає дані до datanet ), можуть бути винагороджені. Це стимулює внески високоякісних даних та більше спеціалізації в галузі. Монетизація Моделей & Агентів Розробники моделей розгортають моделі на OpenLedger. Ці моделі можуть бути використані (для запитів, подальшого навчання тощо). Коли користувачі викликають ці моделі (інференс), вони сплачують збори. Ці збори діляться: частина йде розробнику моделі, частина — внесникам даних (через механізм атрибуції), а частина підтримує операції мережі. Агенти ( автономні AI програми ) також можуть бути монетизовані: якщо хтось використовує або розгортає агента, або агент використовує певні дані або моделі, ці основні ресурси компенсуються. Архітектура забезпечує, що доступ агентів до даних або моделей також поважає атрибуцію та потоки винагород.

Токеноміка: $OPEN Token

Нативний токен OPEN є основною економічною одиницею. Він використовується для:

Газ / мережеві збори (реєстрація моделі, виклики виведення, публікація набору даних) тому мережеві операції оплачуються в $OPEN. Винагороди для постачальників даних через Proof of Attribution. Виплати розробникам моделей, коли їх моделі використовуються. Управління: тримачі OPEN можуть брати участь у прийнятті рішень щодо параметрів протоколу, зростання екосистеми тощо. Розподіл токенів структурований для підтримки стабільних винагород: велика частина постачання виділена на внески в екосистему, гранти DataNet, докази атрибуції тощо. Це забезпечує економічну відповідність тих, хто насправді будує, вносить дані, запускає моделі, управляє агентами тощо, довгостроковому успіху мережі.

Технічні & Архітектурні Основи, що Підтримують Ліквідність & Монетизацію Ось деякі з інфраструктурних і системних рішень, які роблять цю монетизацію реалістичною та придатною для використання: Запис походження даних в блокчейні: Походження даних, ланцюг навчання моделі, метадані набору даних - все це записується в блокчейні, що робить можливим аудит або перевірку того, які дані вплинули на що. Без цього атрибуція була б непрозорою. Прозорість та перевірка: Оскільки система Proof of Attribution є протокольною, а не лише оффчейн або власною, учасники можуть точно бачити, як обчислюється використання їхніх даних / моделей. Безперервний потік винагород: На відміну від одноразових платежів за дані або моделі, система винагороджує з часом, коли дані або моделі використовуються. Це створює «ліквідність» у сенсі того, що актив даних/моделі продовжує генерувати доходи. Управління / нагляд спільноти: Дозволяючи тримачам токенів, включаючи внесків даних та будівельників моделей, брати участь в управлінні, OpenLedger сподівається зберегти зацікавленість у відповідності, уникнути централізації та забезпечити справедливість механізмів винагороди, які еволюціонують відповідно до потреб спільноти.

Приклади / Випадки використання: Як монетизація проявляється на практиці Якщо ви є людиною, яка зібрала або очистила спеціалізований набір даних (, наприклад, для медичної візуалізації, юридичних транскриптів або специфічних для галузі фінансових даних ), ви можете внести ці дані до DataNet. Коли моделі навчаються на ваших даних або роблять висновки, використовуючи ваші дані, ви отримуєте $OPEN токени періодичних або винагород на основі використання. Якщо ви створите AI модель (, скажімо, мовну модель, модель зору або агента для автономних завдань ), ви можете опублікувати її на OpenLedger. Користувачі платять за її використання; частина платежів повертається вам, а частина розподіляється між постачальниками даних. Агенти ( автономні програми штучного інтелекту ), які використовують кілька джерел даних або моделей, також можуть генерувати цінність; кожен використаний елемент відстежується та нагороджується. Тож хтось, хто створює агента, скажімо, для юридичних консультацій або фінансової стратегії, може монетизувати як логіку свого агента, так і набори даних і моделі, на яких він ґрунтується. Можливо, також існують ринки для покупки, ліцензування або стекингу моделей/агентів залежно від їхньої репутації та використання, що надає додаткову ліквідність. Наприклад, розробники моделей можуть ставити, щоб сигналізувати про якість, або набори даних з високим впливом атрибуції можуть стати більш “цінними” або затребуваними. Чому це важливо & потенційний вплив Це змінює економіку штучного інтелекту з одностороннього захоплення вартості (в основному великими інституціями) на більш розподілену, орієнтовану на спільноту модель. Учасники отримують нагороди, пропорційні реальному використанню. Стимулює кращу якість даних: оскільки винагороджуються лише дані, які насправді впливають на поведінку моделі, існує стимул для чистих, добре задокументованих, релевантних до предметної області, нерепетитивних даних. Сприяє спеціалізації в наборах даних: ніші набори даних, які раніше здавалося менш прибутковими, тепер можуть бути вартісними для внесення, оскільки їхній вплив на моделі, специфічні для домену, може бути високим у цьому випадку використання. Підвищує довіру та прозорість: споживачі моделей можуть перевіряти походження та атрибуцію, що може допомогти вирішити такі проблеми, як упередженість, конфіденційність, зрозумілість — адже ви можете бачити, звідки походять результати моделей. Дозволяє нові бізнес-моделі для ШІ: замість одноразових ліцензій, моделі/дані/активи ШІ можуть стати постійними джерелами доходу. Моделі можуть мати «роялті-подібну» поведінку — щоразу, коли їх використовують, хтось отримує частку. Обмеження / Виклики, на які слід звернути увагу Щоб ця модель добре працювала, деякі виклики потребуватимуть пом'якшення. Точність атрибуції: Вимірювання того, які точки даних справді вплинули на які виходи моделей (, особливо при дуже великих моделях ), є нетривіальним. Методи впливу можуть бути приблизними та можуть мати помилки або упередження. Витрати / накладні витрати: Проведення детальної атрибуції, запис великих обсягів метаданих, зберігання походження даних, все в ланцюгу або у перевірних поза ланцюгових структурах, може збільшити обчислювальні та зберігання витрат. Дисбаланси стимулів: Якщо занадто велика увага приділяється атрибуції, менші або нові учасники можуть отримувати дуже мало, особливо на початку, якщо їхні набори даних не використовуються інтенсивно. Управління та справедливість: Що робити, якщо певні моделі стануть монополізованими, або постачальники даних з більшими ресурсами домінуватимуть? Забезпечення рівноправної участі та запобігання маніпуляціям з атрибуцією буде важливим.

Затримка / масштабованість: У міру зростання використання, необхідно буде забезпечити ефективність механізмів атрибуції та відстеження моделі. Підсумовуючи @Openledger розробляє систему, яка намагається розглядати дані, AI моделі та агенти як економічні активи на ланцюгу, а не просто як ресурси, якими володіють великі компанії. Використовуючи механізми, такі як Доказ Атрибуції, DataNets і рідну токен-економіку з винагородами, пов'язаними з реальним використанням, вона розкриває ліквідність у цих активах — це означає, що люди, які вносять дані, створюють моделі або створюють агентів, можуть монетизувати безперервно та прозоро. Це амбіційне бачення: справедлива атрибуція, прозоре походження, спільні потоки винагороди та демократизоване володіння інфраструктурою ШІ. Якщо це вдасться, це може змінити спосіб, яким будується, володіється та монетизується ШІ — від централізованих платформ до децентралізованих екосистем, де набагато більше учасників отримують вигоду. #OpenLedger